Parallelization of Autonomous Driving Tasks for Safe High-Speed Vehicle Control

Abstract

자율 주행 시스템은 실시간 제약조건의 만족 및 안전한 차량 제어와 같은 엄격한 요구사항을 지닌다. 이러한 요구사항과 더불어 잠재적 병목 현상의 발견 및 적절한 가속화 기법 이 모두를 고려하여 적절한 자율주행 차량 플랫폼을 선택하는 것이 비용/효율 측면에서 바람직하다. 본 논문은 다음의 주제를 다룬다. 1) 실시간 제약 조건이 안전한 차량 제어를 보장하는 최대 속도에 미치는 영향 2) 실시간 제약 조건의 만족 아래 안전한 고속 주행 제어를 보장하는 차량속도 가속화 기법 3) 실험 결과 분석을 통한 비용과 성능 측면의 상충관계 제시. 본 논문은 멀티코어를 활용한 병렬화, 파이프라이닝 및 GPU 최적화 총 3가지 기법들을 조합한 몇 가지 최적화 기법들을 제시하고, 개별 기법들의 실험결과를 반응 시간과 연산요구량 측면에서 분석하여 반응시간과 연산요구량의 상충관계를 구체적으로 제시한다. 본 논문은 간소화된 자율주행 플랫폼 상의 차선 추종 알고리즘을 기준 알고리즘으로 사용하였으며, 최적화 기법들을 적용한 실험 결과들을 통해 본 논문에서 제안한 기법이 지연시간 단축과 처리량 향상을 가져옴을 확인할 수 있다. 결론적으로, 본 논문에서 제시한 최적화 기법을 사용함으로서 고속에서도 안전한 차량 주행 제어가 가능함을 확인하였다.

Autonomous driving systems have strict performance requirements in terms of both real-time constraints and safe operation. Defining these requirements, along with identifying potential bottlenecks and acceleration techniques, determines appropriate computational platform specifications for cost-effective system design. This work presents 1) how real-time constraints in autonomous driving determine the maximum safe vehicle speed, 2) acceleration techniques to meet these constraints, 3) cost/performance trade-offs. We discuss several combinations of possible optimizations and their trade-offs in terms of their effects on response time and computational requirements. We obtained experimental results from the lane following algorithm executed on a scaled autonomous driving platform. We reduced latency and increased throughput of the algorithm by utilizing parallelism and pipelining techniques, as well as GPU acceleration with CUDA, and achieved stable vehicle performance at high speed.